一、定义

1. 强化学习微调分类
2. RM模型 数据集格式
3. 训练流程
4. Reward 模型训练流程(分类模型，积极为1，消极为0) AutoModelForSequenceClassification
5. Reward 模型训练案例
6. PPO模型训练流程
7. PPO模型训练案例

二、实现

1. 强化学习微调分类
   RLHF:基于人类反馈对语言模型进行强化学习, 分两步：
   1. RM (Reward Model)奖励模型建模，构造人类偏好排序数据集，训练奖励模型，用来建模人类偏好。
   2 RL(Reinforcement Learning)强化学习，用奖励模型来训练SFT模型，生成模型使用奖励或惩罚来更新其策略，以便生成更高质量、更符合人类偏好的文本.
   DPO(Direct Preference Optimization): 直接偏好优化方法，DPO通过直接优化语言模型来实现对其行为的精确控制，而无需使用复杂的强化学习，也可以有效学习到人类偏好。
   RLHF主要是进行对齐微调, 目标是将大语言模型的行为与人类的价值观或偏好对齐。
   PPO: （Proximal Policy Optimization，近端策略优化）是一种在强化学习领域广泛使用的算法.

2. RM模型 数据集格式

{conversations:  [0: 
 {from:  
"human",value:  "国会的转发 美国国会由众议院和参议院组成，每两年换届一次（参议员任期为6年，但参议院选举是错位的。是更常见地转发国会议员还是来自国会外部？"}],
chosen:  {from:  "gpt",value:  "计算推文的政党边际概率，我们可以使用以下代码这表明大多数转发不是来自国会议员，而是来自国会之外。"},
rejected:  {from:  "gpt",value:  "回答问题的第（计算转发国会议员或来自国会以外的人的边际概率"}}

其中chosen 代表是好的回答, rejected代表的是不好的回答

3. 训练流程
   
   训练reward Model---->PPO模型

4. Reward 模型训练流程(激励模型为深度学习模型)
   数据处理：

def preprocess_function(examples):
    new_examples = {
        "input_ids_chosen": [],
        "attention_mask_chosen": [],
        "input_ids_rejected": [],
        "attention_mask_rejected": [],
    }
    for chosen, rejected in zip(examples["chosen"], examples["rejected"]):
        tokenized_chosen = tokenizer(chosen)
        tokenized_rejected = tokenizer(rejected)

        new_examples["input_ids_chosen"].append(tokenized_chosen["input_ids"])
        new_examples["attention_mask_chosen"].append(tokenized_chosen["attention_mask"])
        new_examples["input_ids_rejected"].append(tokenized_rejected["input_ids"])
        new_examples["attention_mask_rejected"].append(tokenized_rejected["attention_mask"])
    return new_examples

训练求损失：AutoModelForSequenceClassification 分类模型

model = AutoModelForSequenceClassification.from_pretrained(
    model_config.model_name_or_path, num_labels=1, **model_kwargs
)
def compute_loss(
    self,
    model: Union[PreTrainedModel, nn.Module],
    inputs: Dict[str, Union[torch.Tensor, Any]],
    return_outputs=False,
) -> Union[torch.Tensor, Tuple[torch.Tensor, Dict[str, torch.Tensor]]]:
    if not self.use_reward_data_collator:
        warnings.warn(
            "The current compute_loss is implemented for RewardDataCollatorWithPadding,"
            " if you are using a custom data collator make sure you know what you are doing or"
            " implement your own compute_loss method."
        )
    rewards_chosen = model(
        input_ids=inputs["input_ids_chosen"],
        attention_mask=inputs["attention_mask_chosen"],
        return_dict=True,
    )["logits"]
    rewards_rejected = model(
        input_ids=inputs["input_ids_rejected"],
        attention_mask=inputs["attention_mask_rejected"],
        return_dict=True,
    )["logits"]
    # calculate loss, optionally modulate with margin
    if "margin" in inputs:
        loss = -nn.functional.logsigmoid(rewards_chosen - rewards_rejected - inputs["margin"]).mean()
    else:
        loss = -nn.functional.logsigmoid(rewards_chosen - rewards_rejected).mean()

    if return_outputs:
        return loss, {
            "rewards_chosen": rewards_chosen,
            "rewards_rejected": rewards_rejected,
        }
    return loss

5. Reward 模型训练案例
   https://github.com/huggingface/trl/blob/main/examples/scripts/reward_modeling.py

6. PPO模型训练流程

步骤：
1. 语言模型预测
2. 激活模型评估(分类模型)，1 代表积极，0 代表消极
3. PPO算法优化。
数据：

def tokenize(sample):
    sample["input_ids"] = tokenizer.encode(sample["review"])[: input_size()]
    sample["query"] = tokenizer.decode(sample["input_ids"])
    return sample

1. 加载模型， 参考模型(参考模型可以为None)

# We then build the PPOTrainer, passing the model, the reference model, the tokenizer
ppo_trainer = PPOTrainer(ppo_config, model, ref_model, tokenizer, dataset=dataset, data_collator=collator)
# Get response from gpt2    待训练的模型响应，参考模型响应
response_tensors, ref_response_tensors = ppo_trainer.generate(
    query_tensors, return_prompt=False, generate_ref_response=True, **generation_kwargs
)
batch["response"] = tokenizer.batch_decode(response_tensors)
batch["ref_response"] = tokenizer.batch_decode(ref_response_tensors)

2. 激活模型评估(分类模型)，1 代表积极，0 代表消极

2. 获取激励值
# Compute sentiment score
texts = [q + r for q, r in zip(batch["query"], batch["response"])]
pipe_outputs = sentiment_pipe(texts, **sent_kwargs)                      #激励函数
rewards = [torch.tensor(output[1]["score"]) for output in pipe_outputs]   #激励值

3. PPO算法优化。

#   问题query  、  模型响应   、激励值
#其中上图优化模块，均在step 方法中实现。
stats = ppo_trainer.step(query_tensors, response_tensors, rewards)
step内部：
        all_logprobs, logits_or_none, values, masks = self.batched_forward_pass(
            self.model,
            queries,
            responses,
            model_inputs,
            response_masks=response_masks,
            return_logits=full_kl_penalty,
        )
        with self.optional_peft_ctx():
            ref_logprobs, ref_logits_or_none, _, _ = self.batched_forward_pass(
                self.model if self.is_peft_model else self.ref_model,
                queries,
                responses,
                model_inputs,
                return_logits=full_kl_penalty,
            )

7. PPO模型训练案例
   https://github.com/huggingface/trl/blob/main/examples/scripts/ppo.py